وقد أدى التعلم العميق، وهو فرع متخصص من الاستخبارات الاصطناعية، إلى إحداث تحول سريع في الصورة الطبية، مما أتاح مستويات غير مسبوقة من التحليل والفهم، وفي مجال الرعاية السكتة الدماغية، يسخر الباحثون هذه التكنولوجيا لتثبيت التنبؤ بنتائج المرضى من بيانات التصوير الدماغي، والتنبؤات الدقيقة والمبكرة حاسمة في توجيه قرارات العلاج، ووضع استراتيجيات لإعادة التأهيل، وتحسين مسارات التعافي في نهاية المطاف.

فهم الخنق وتأثيره على صناعة الدماغ

السكتة الدماغية لا تزال سبباً رئيسياً للإعاقة الطويلة الأجل في جميع أنحاء العالم، حيث تُشكل السكتات الدماغية حوالي 87 في المائة من جميع الحالات، وتحدث السكتة الدماغية عندما يعرقل جلطة الدم الشريان الدماغي، ويحرم النسيج من الأوكسجين والمغذيات، مما يؤدي إلى الوفاة في الخلايا، ويؤثر موقع الأنسجة المزروعة تأثيراً مباشراً على العجز الوظيفي للمريض وإمكانيات التعافي.

إن طرائق التصوير الدماغي مثل التصوير المحاسبي (CT) وتصوير الصوت المغنطيسي هي أدوات لا غنى عنها لتقييم السكتة الدماغية، حيث أن التسلسل الافتراضي للارتفاع في النسيج غير القابل للاختراق، وهي دراسة ذات طابع حساس للغاية في مجال الاختناق، وهي تشمل نتائج التنبؤ بالصدمة، بينما تقدم الخلايا الأشعة المقطعية تفاصيل عن النسيج.

:: أصول التعلم العميق لتحليل الصور الطبية

وقد أصبحت نماذج التعلم العميق، ولا سيما الشبكات العصبية الملتوية، العمود الفقري لتحليل الصور الطبية نظراً لقدرتها على تعلم السمات الهرمية تلقائياً من بيانات البكسل الخام، وخلافاً لنهج التعلم الآلي التقليدية التي تتطلب استخراج السمات المصممة يدوياً (مثل حجم الخفقان، والنسيج، والشكل)، يمكن للشبكة أن تكتشف أنماطاً فرعية غير مرئية في كثير من الأحيان للسياق البشري أو للاختراقات الإحصائية التقليدية.

المعمارات الرئيسية في تنبؤات ستروك

(أ) تم تكييف عدة هياكل للتعلم الطبي على شكل تنبؤات ناتجة عن السكتة الدماغية، ومن أبرزها نظام U-Net، الذي كان مصمماً أصلاً لتقسيم الصور الطبية البيولوجية، وجهاز تحديد الأوزان المتطورة، وأجهزة التكسير ذات الصلة، وأجهزة التكسير ذات الصلة، وأجهزة التكفير، وأجهزة التكفير، وأجهزة التكليل، وأجهزة التكليل،

وكثيرا ما تدمج مهام الفصل والتنبؤ في نماذج نهاية المطاف، فعلى سبيل المثال، يمكن للنموذج أن يقطع أولاً الفشل باستخدام متغير للشبكة الواحدة، ثم يغذي المنطقة المجزأة في رأس تراجع أو تصنيف للتنبؤ بعشرات راندكين سكال (الرمز) المعدلة في 90 يوماً، وهو مقياس للنتائج الوظيفية المشتركة، ويمكن أن تؤدي أطر التعلم المتعددة الأطقم، كبديل لذلك، إلى التنبؤ المشترك بموقع التخلف والحجم والنات،

جمع البيانات وإعداد نماذج التعلم العميق

ويتوقف نجاح نماذج التعلم العميق اعتمادا كبيرا على توافر مجموعات بيانات كبيرة عالية الجودة وملموسة جيدا، وفي صورة ضربات، تم إنشاء عدة مجموعات بيانات عامة ومؤسسية، بما في ذلك الآثار الافتراضية للجرعات بعد الصدم، وسلسلة بيانات التحدي التي تصدرها الهيئة الحكومية الدولية المعنية بغسل الأموال.

وتشكل عملية تجهيز البيانات خطوة حاسمة لضمان قوة النموذج وقابلية التعميم، وتشمل الخطوات عادة إعادة تصميم الصور إلى حجم الثوران القياسي (مثلاً، الأشعة السيطوية 1 ملم)، وتطبيع الكثافة لتصحيح التباينات بين الماسحات، وتجريد الجمجمة لإزالة الأنسجة غير المتربة، والاشتراك في ضبط الحيز النموذجي الموحد (مثلاً، مدخلات المساعدة على تحقيق التواؤم).

وتشمل بيانات نتائج وضع العلامات إجراء تقييمات سريرية موحدة، حيث أن نظام تقييم النتائج الوظيفية هو أكثر التدابير استخداما بعد السكتة الدماغية، حيث يتراوح بين صفر (لا أعراض) و 6 (الوفاة)، وبالنسبة للتصنيف الثنائي، كثيرا ما يفرق الباحثون بين نظام تقييم الأداء المالي ونتائجه المفضلة (0-2) وبين الفقراء (3-6) ويمكن أن يُمثل التصميم البديل أو التراجع الحاد أو تصنيف التصنيف المتعدد الطبقات الجدول الكامل.

التدريب النموذجي والتقييم

وتشمل نماذج التعلم العميق لأغراض التنبؤ بنتائج السكتة عدة اعتبارات منهجية، حيث عادة ما تقسم مجموعة البيانات إلى التدريب (70-80 في المائة)، والتثبت (10-15 في المائة)، والاختبارات (10-15 في المائة)، مع توخي الدقة في الحفاظ على التوازن في النتائج، ونظرا لمحدودية حجم بيانات التصوير الطبي، كثيرا ما يستخدم التوارث لضمان تقديرات للأداء يمكن التعويل عليها.

وتشمل مقاييس التقييم لنماذج التنبؤ مجالاً تحت منحنى التشغيل الخاص بالاستلام، والدقة، والحساسية، والخصوصية، والقيمة الإيجابية للتنبؤ، والقيمة التنبؤية السلبية، والمعاملات التماثلية للأيس كريم، ومقياس التداخل عن بعد، والدقة في الحدود، والمعرفة، ومدى تطابق الاحتمالات المتوقعة جيداً مع التواترات الملاحظة.

وتوفر النقاط المرجعية الأخيرة من التحدي الذي تواجهه هذه المعايير معلومات عن أحدث الأداء، فعلى سبيل المثال، حققت نماذج أفضل أداء في النظام الدولي للإحصاء لعام 2022 الرقم DSC ⁇ 0.75 فيما يتعلق بتجزئة الأذى و ⁇ 80 لمفوضية الاتحاد الأفريقي للتنبؤ بالنتائج باستخدام التصوير بالرنين المتعدد الوسائط، غير أن هذه النتائج تأتي إلى حد كبير من مجموعات البيانات الخاضعة للرقابة والمتجانسة؛ وقد يختلف أداء العالم الحقيقي اختلافا كبيرا.

الأداء الافتراضي والدراسات المقارنة

وقد أظهرت دراسات عديدة أن نماذج التعلم العميق يمكن أن تتنبأ بنتائج السكتة الدماغية بدقة تتجاوز الأساليب التقليدية، فعلى سبيل المثال، استخدمت دراسة أجريت في عام 2021 بواسطة وول وآخرون في الاتصالات باستخدام نموذج " CNN " (DWI and FLAIR) من 654 مريضاً وحققت مقياساً قياسياً قدره 0.88 في التنبؤ بالنتائج المواتية، ومقياساً على نماذج مستوصفة من نوع "

كما أن نماذج التعلم العميق تبرز آثار موقع الأذى، وباستخدام تقنيات رسم الخرائط الخاصة بالآفات، أظهر الباحثون أن مشاركة شبكات معينة من الدماغ - مثل الحرف الكورتيكوسينال، أو المناطق اللغوية، أو شبكة المواسطة الافتراضية - هي أكثر تنبؤاً بالعجز المحدد من الحجم الإجمالي للإصابة، وعلى سبيل المثال، يمكن أن يؤدي نموذج يتضمن رسم خرائط لشبكة الألياف إلى تفكك الشبكات الوظيفية والتنبؤ بالدقة التقليدية بعد الإجهاد.

وقد أكدت تحليلات البيانات الضخمة القيمة المضافة للتعلم العميق، وقد قام جيانغ وآخرون في عام 2023 باستعراض منهجي في NeuroImage: Clinical) بتحليل 45 دراسة، وتبين أن نماذج التعلم العميق حققت تركيزاً مشتركاً في الاتحاد الأفريقي قدره 0.83 في التنبؤ بالنتائج الوظيفية، مقارنة بـ 0.72 في التعاريف القياسية للنموذج التقليدي.

التحديات والقيود في الترجمة السريرية

وعلى الرغم من النتائج الواعدة، فإن العديد من الحواجز تعوق الاعتماد السريري الواسع النطاق للتعلم العميق من أجل التنبؤ بنتائج السكتة الدماغية، أولا، تظل ندرة البيانات ونوعيتها من المسائل الرئيسية، ومعظم مجموعات البيانات العامة تحتوي على أقل من 000 1 موضوع، وهو ما لا يكفي لتدريب شبكات قوية وعميقة النطاق، ويتطلب التجزئة اليدوية العالية الجودة وقتا طويلا للخبراء ويحتمل أن يتفاوت بين مختلف الفئات السكانية، علاوة على ذلك، كثيرا ما تستبعد مجموعات البيانات المرضى الذين يعانون من السكتة النمائية أو الذين يعاملون في وقت متأخر.

ثانيا، اختلال التوازن بين الصفات وتعريف النتائج المتضاربة، فالعديد من مجموعات البيانات لديها هيمنة على النتائج المواتية، مما يؤدي إلى دقتها التفاؤلية المفرطة إذا لم يتم التعامل معها على النحو المناسب، وتستعمل الدراسات المختلفة عتبات مختلفة للتباين بين الاختلاف (مثلا، MRS 0-2 ضد 0-1) أو نقاط زمنية للنتائج (30 و90 و 180 يوما)، مما يجعل من الصعب إجراء مقارنات شاملة بين النتائج.

ثالثاً، إن قابلية الترجمات والثقة النموذجيان أمران بالغا الأهمية للقبول السريري، وكثيراً ما يوصف نماذج التعلم العميق بأنها " صناديق سوداء " ، وقد يتردد الأطباء في الاعتماد على التنبؤات دون فهم الأسباب الكامنة وراء ذلك، وتبرز التقنيات مثل خرائط الصالة، ورسم خرائط لتفعيل الصفوف ذات الوزن التدرجي (Grad-CAM)، وتلقين الضوء على ضوضاءة الاصطناعية.

رابعا، يمكن أن يؤدي التحول في المجال - الاختلافات في بروتوكولات اقتناء الصور، والبائعين المزودين بالمسح الضوئي، والمصابين باضطرابات ديموغرافية - إلى تدهور الأداء النموذجي عند تطبيقه على البيئات السريرية الجديدة، وقد يفشل نموذج مدرَّب على مادة ذات مفاعل ثلاثي في مفاعلات من مستشفى بحثي في 1.5 تي من مستشفى المجتمع المحلي، كما أن نهج التكيُّف المستمر هي مجالات بحث نشطة ولكن لا تزال غير ناضجة.

وأخيراً، يجب معالجة الاعتبارات التنظيمية والأخلاقية، إذ أن نماذج التعلم العميق لدعم القرارات السريرية تتطلب التحقق الدقيق، وعتبات الأداء الواضحة، والضمانات ضد التنبؤات المتحيزة (مثل التحيز الديمغرافي في بيانات التدريب).() وقد وضع مؤشر الوسم الخاص بمؤسسة الأغذية والزراعة التابعة للولايات المتحدة والجماعة الأوروبية إطاراً للبرامجيات كجهاز طبي، ولكن الوضوح في مسار أدوات التنبؤ بالنتائج القائمة على التنفيذ المشترك لا يزال في طور التطور.

الاتجاهات المستقبلية والتكامل السريري

ومن المرجح أن يدمج الجيل القادم من نماذج التعلم العميق للتنبؤ بنتائج السكتة الدماغية بيانات متعددة الوسائط تتجاوز التصوير، إذ يمكن أن يؤدي الجمع بين خصائص التصوير وبيانات السجل الصحي الإلكتروني (مثل العلامات الحيوية، والقيم المختبرية، والامتيازات)، والبيانات الحساسية التي يمكن ارتداؤها، إلى التنبؤات المتعددة الأغنياء والشخصية، وعلى سبيل المثال، يمكن أن تحقق مزيجاً من التصريفات في مجال الصحة البشرية الوطنية، والعمر، والاشتعال في إطار المبادرة المتعددة.

وسيؤدي مفهوم المحاسبة المفسَّر دوراً متزايد الأهمية، بدلاً من مجرد إنتاج احتمال، قد تقدم النماذج المستقبلية تفسيرات لغوية طبيعية أو تسلط الضوء على مناطق معينة من الدماغ مسؤولة عن حالات العجز المتوقعة، مثلاً، قد ينتج نموذجاً بعنوان " 95 في المائة من فرص تحقيق نتائج مواتية، مع الحفاظ على سلامة الحرف الكورتيكية، والحد الأدنى من مشاركة المناطق اللغوية " ، إلى جانب خريطة حرارية، يمكن أن تُنشئ هذه الشفافية الثقة السريرية وتيسر اتخاذ القرارات المشتركة.

والتنبؤ في الوقت الحقيقي أثناء الرعاية الحادّة للسكتة الدماغية هو حد آخر، إذ إنَّ تقسيم الصور آلياً أصبح ممكناً الآن في دقائق (عشر ثوان باستخدام الأجهزة الحديثة)، يمكن إدماج نماذج التعلم العميق في نظم المحفوظات والاتصال الصورية لتقديم تقديرات فورية للنتائج إلى جانب الإبلاغ التقليدي، ويمكن أن يسترشد بها في القرارات المتعلقة بأهلية التكتل، أو قبول وحدات الرعاية المكثفة، أو التخطيط لإعادة التأهيل المبكر.

ويوفر التعلم الموحد حلا واعدا لشح البيانات وشواغل الخصوصية، وفي التعليم الاتحادي، تقوم مؤسسات متعددة بالتعاون على تدريب نموذج دون تقاسم بيانات المرضى الخام، بدلا من تبادل نماذج تحديثية، ويمكن أن ينتج هذا النهج نماذج أكثر عمومية وأقل تحيزا من النماذج التي تم تدريبها على بيانات المركز الواحد، وتقترح المبادرات المبكرة في مجال التلقيم الضار، مثل مشروع الجزء الموحد من الطمر، جدوى بالنسبة للجليوس.

وأخيراً، قد يتيح التكامل مع نماذج اللغات الكبيرة توليد تقارير قياسية بالأشعة الآلية التي تتضمن التنبؤات بالنتائج، فعلى سبيل المثال، يمكن أن يصوغ نموذج انطباعاً منظماً مثل: " الأرض الشريانية الوسطى الكبيرة التي تشمل المضاربة الافتراضية " ، وقد ثبت أن عدد مراتب المضاربة 3 يبلغ 90 يوماً استناداً إلى حجم السكتة الدماغية 45 سم3، والعلاج بالأشعة تحت الصفرية، والعمر 78.

خاتمة

وقد أظهر التعلم العميق وعدا كبيرا بتحسين التنبؤ بنتائج السكتة من بيانات تصوير الدماغ، وتوفير الدقة والجدل إلى ما يتجاوز النهج التقليدية، ومن خلال استخراج ملامح مفيدة من الفضائح المتعددة الوسائط، يمكن لهذه النماذج أن تساعد على تكييف خطط العلاج وإعادة التأهيل مع فرادى المرضى، غير أن ترجمة هذه الإمكانية إلى ممارسة سريرية روتينية يتطلب التغلب على التحديات الكبيرة، بما في ذلك قيود البيانات، وقابلية السكتة النمطية، والعقبات التنظيمية.